3DOS：面向三维开放集学习——点云语义新颖性检测的基准测试与理解
计算机视觉与模式识别
2023-01-18 v3
摘要
近年来，三维学习在分类、检测和分割问题上取得了显著进展。现有研究绝大多数聚焦于规范的闭集条件，忽视了真实世界固有的开放特性。这限制了参与安全关键应用的机器人和自主系统的能力，这些应用需要处理新颖和未知的信号。在此背景下，利用三维数据可成为宝贵资产，因为它提供了关于被感知物体和场景几何的丰富信息。本文给出了首个关于三维开放集学习的广泛研究。我们提出 3DOS：一个用于语义新颖性检测的新型测试平台，其考虑了在语义（类别）偏移方面难度递增的若干设定，并涵盖域内（合成到合成、真实到真实）和跨域（合成到真实）场景。此外，我们调研了相关的二维开放集文献，以理解其近期改进是否及如何在三维数据上有效。我们广泛的基准测试将若干算法置于同一连贯框架下，揭示了它们的优势与局限。我们的分析结果可作为未来定制化三维开放集方法的可靠立足点。
引用
@article{arxiv.2207.11554,
title = {3DOS: Towards 3D Open Set Learning -- Benchmarking and Understanding Semantic Novelty Detection on Point Clouds},
author = {Antonio Alliegro and Francesco Cappio Borlino and Tatiana Tommasi},
journal= {arXiv preprint arXiv:2207.11554},
year = {2023}
}
备注
Accepted by NeurIPS 2022 Datasets and Benchmarks Track. Code: https://github.com/antoalli/3D_OS